Meskipun memiliki performa yang cukup baik untuk tugas dasar seperti pemisahan FR dan NFR, NB sering mengalami kesulitan dalam menangani sub-kategori NFR yang lebih kompleks karena asumsi independensi fitur yang sering kali tidak terpenuhi.
Deep Learning dengan Transformer (BERT, RoBERTa, dan GPT)
Model berbasis Transformer seperti BERT dan RoBERTa telah menunjukkan performa luar biasa dalam berbagai tugas NLP, termasuk klasifikasi teks.
Model ini memahami konteks secara mendalam, yang sangat penting dalam menentukan apakah suatu persyaratan termasuk FR atau NFR, serta dalam mengidentifikasi sub-kategori NFR.
-
Kelemahannya adalah kebutuhan komputasi yang tinggi serta data pelatihan dalam jumlah besar agar dapat berfungsi secara optimal.
Pendekatan Hybrid untuk Peningkatan Akurasi
Alih-alih hanya menggunakan satu algoritma, pendekatan hybrid sering kali memberikan hasil yang lebih baik. Contohnya adalah menggabungkan fitur yang diekstraksi dengan teknik NLP (seperti word embeddings dari BERT) dengan algoritma klasifikasi seperti SVM atau Random Forest. Pendekatan ini menggabungkan pemahaman konteks dari deep learning dengan efisiensi model klasik untuk meningkatkan akurasi klasifikasi.
Selain itu, pendekatan berbasis transfer learning, di mana model seperti BERT yang telah dilatih pada dataset besar dapat disesuaikan untuk tugas spesifik, dapat meningkatkan hasil klasifikasi FR dan NFR dengan biaya pelatihan yang lebih rendah.
Tantangan dalam Klasifikasi FR dan NFR dengan ML
Meskipun ML menawarkan berbagai keunggulan, terdapat beberapa tantangan dalam mengaplikasikan algoritma ini:
Keterbatasan Data Pelatihan -- Banyak organisasi tidak memiliki dataset yang cukup besar atau telah diberi label dengan baik untuk melatih model secara efektif.
-
Variasi Bahasa dan Format -- Persyaratan perangkat lunak sering kali ditulis dalam bahasa yang ambigu dan bervariasi, menyulitkan model untuk mengenali pola dengan konsisten.
Interpretabilitas Model -- Model berbasis deep learning sering kali dianggap sebagai "black box", sehingga sulit untuk memahami bagaimana keputusan klasifikasi dibuat.
Perubahan Dinamis dalam Persyaratan -- Seiring waktu, definisi FR dan NFR dapat berubah, sehingga model ML perlu diperbarui secara berkala untuk tetap relevan.
